CreateML

Questa recensione di Create ML illustra le funzionalità del tool di addestramento dei modelli di Apple, le sue caratteristiche principali, il costo, le differenze tra l’app Create ML e il framework, il suo rapporto con Core ML, i punti di forza e le carenze, nonché il confronto con altri strumenti di machine learning. Create ML addestra modelli di machine learning personalizzati sul proprio computer utilizzando i propri dati di addestramento. Il processo è breve: si sceglie un modello, si inseriscono esempi etichettati, si preme “Addestra”, si verifica l’accuratezza di validazione e si esporta un file di modello Core ML che Xcode trasforma in una classe Swift. Non è mai necessario scegliere algoritmi o scrivere cicli di addestramento; Create ML sceglie una struttura del modello adatta all’attività. Apple lo basa sull’infrastruttura di machine learning alla base di Foto e Siri, quindi i modelli di immagini e linguistici rimangono di dimensioni ridotte e si addestrano rapidamente (Documentazione per sviluppatori Apple).

A cosa serve Create ML?

Create ML viene utilizzato dagli sviluppatori di iOS, iPadOS, macOS, watchOS e visionOS per aggiungere previsioni sul dispositivo alle proprie app senza scrivere codice di addestramento. Esempi tipici sono il riconoscimento di immagini di prodotti o piante, il rilevamento di oggetti con riquadri di delimitazione, la classificazione di messaggi di assistenza o recensioni in base al testo, l’assegnazione di tag alle parole in una frase, il riconoscimento dei suoni, il rilevamento di movimenti del corpo o delle mani nei video, la classificazione dei movimenti rilevati dai sensori dell’Apple Watch e la previsione di valori a partire da dati tabulari. Un’app di ricette può riconoscere i piatti da una foto, un’app di fitness può contare gli esercizi da un video e un’app per appunti può ordinare il testo per argomento. I modelli di testo possono anche eseguire analisi del sentiment in diverse lingue. Poiché il modello viene eseguito sui dispositivi Apple tramite Core ML, le previsioni funzionano offline, rispondono alla velocità nativa e i dati degli utenti rimangono sul telefono.

Caratteristiche principali

• Modelli per ogni attività: classificazione delle immagini, rilevamento di oggetti, posa delle mani, classificazione delle azioni e dei movimenti delle mani, trasferimento di stile, classificazione del testo, tagging delle parole, classificazione dei suoni, classificazione delle attività, classificazione tabellare, regressione tabellare e raccomandazioni.
• Modelli spaziali: un modello per il tracciamento degli oggetti addestra gli oggetti di riferimento per le app visionOS su Apple Vision Pro, aggiunto nel 2024 (WWDC24).
• Apprendimento per trasferimento: la maggior parte dei modelli parte dagli estrattori di caratteristiche preaddestrati di Apple, quindi un modello utile richiede molti meno dati rispetto all’addestramento da zero. Apple richiede almeno 10 immagini per categoria per un classificatore di immagini, e immagini più varie funzionano meglio (Apple).
• Aumento dei dati: i pulsanti per rotazione, capovolgimento, sfocatura, ritaglio ed esposizione creano al volo immagini di addestramento aggiuntive. L’aumento dei dati può aumentare l’accuratezza dell’addestramento riducendo al contempo quella della validazione, quindi è bene confrontare entrambe.
• Valutazione e anteprima in tempo reale: precisione di addestramento e di validazione, una matrice di confusione che mostra le previsioni corrette e errate per classe, l’errore quadratico medio per la regressione e una scheda di anteprima in cui è possibile inserire nuovi dati per visualizzare le previsioni prima dell’esportazione. Un ampio divario tra la precisione di addestramento e quella di validazione indica un overfitting.
• Controllo dell’addestramento: metti in pausa, riprendi e confronta diversi modelli in un unico progetto; il framework aggiunge checkpoint e sessioni di addestramento.
• Metadati del modello: nome dell’autore, descrizione, versione e licenza vengono salvati nel modello esportato.
• Framework Swift: gli stessi modelli possono essere addestrati nel codice con il framework Create ML, per script, automazione e addestramento all’interno di un’app.

Prezzi di Create ML

Create ML è gratuito. L’app Create ML è inclusa in Xcode, scaricabile gratuitamente dal Mac App Store, e il framework fa parte degli SDK di Apple. Non sono previsti abbonamenti, metriche di utilizzo o costi per il cloud: l’addestramento avviene sul proprio Mac, quindi i costi sono limitati all’hardware e al tempo impiegato. Per inserire un modello addestrato in un’app dell’App Store è necessaria un’iscrizione all’Apple Developer Program, per la quale Apple addebita un canone annuale per la pubblicazione, non per Create ML in sé. La sorpresa in termini di costi da tenere in considerazione riguarda l’hardware: i grandi set di dati di immagini o video si addestrano molto più velocemente su Apple Silicon rispetto a un vecchio Mac Intel, e non è possibile noleggiare GPU cloud dall’interno di Create ML.

L’app Create ML rispetto al framework Create ML

L’app Create ML è l’opzione “no-code”. La si apre da Xcode con “Open Developer Tool” > “Create ML”, si sceglie un modello, si trascinano le cartelle dei dati di addestramento e si preme il pulsante “Train” (Hacking with Swift). Per importare i dati, i modelli di immagini utilizzano una sottocartella per ogni classe, i classificatori di testo accettano cartelle o un array JSON piatto, il rilevamento di oggetti richiede un file JSON con un riquadro di delimitazione per ogni oggetto, mentre i modelli tabulari leggono file CSV o JSON, in cui il modello apprende le relazioni tra le colonne. Se non si aggiungono dati di validazione, l’app Create ML trattiene automaticamente circa il 20% dei dati di addestramento (Netguru). Al termine dell’addestramento, mostra le metriche e una scheda di output, dove è possibile salvare il file mlmodel.

Il framework Create ML rappresenta l’opzione basata sul codice. In uno Swift Playground o tramite lo strumento da riga di comando di macOS è possibile creare un’istanza come MLImageClassifier o MLRegressor, passare un MLDataTable o una cartella e leggere le metriche direttamente dal codice (Documentazione per sviluppatori Apple). Il framework è adatto a pipeline ripetibili e all’integrazione continua; l’app Create ML è indicata per esplorare un set di dati, confrontare i modelli a occhio e per un addestramento rapido e una tantum. Entrambi esportano lo stesso file di modello Core ML. Apple indica che il framework è disponibile su macOS 10.14 e versioni successive e, per alcuni tipi di modelli, su iOS e iPadOS 15 e versioni successive, in modo che un’app possa addestrare o aggiornare un modello sul dispositivo. I modelli più recenti richiedono una versione aggiornata di Xcode su un sistema macOS recente; una guida indica come requisiti minimi macOS Ventura e Xcode 14 (Netguru).

Create ML vs Core ML

Create ML e Core ML svolgono compiti diversi. Create ML addestra il modello; Core ML lo esegue all’interno dell’app (documentazione Core ML). Quando si aggiunge il file esportato a un progetto Xcode, Xcode genera una classe Swift con input e output tipizzati, e Core ML decide se eseguire il modello Core ML sulla CPU, sulla GPU o sul Neural Engine per ottenere le migliori prestazioni su ciascun dispositivo. I modelli addestrati altrove, ad esempio in PyTorch o TensorFlow, raggiungono Core ML tramite gli strumenti open source Core ML Tools, che convertono i modelli nel formato Core ML. In questo modo è possibile iniziare con Create ML per una prima versione e passare successivamente al proprio codice di addestramento senza modificare il modo in cui l’app richiama il modello.

I punti di forza e i limiti di Create ML

Punti di forza:

• È gratuito, integrato in Xcode e di facile apprendimento per gli sviluppatori Swift.
• Modelli di piccole dimensioni che funzionano offline e conservano i dati sul dispositivo.
• Buoni risultati con pochi dati grazie al transfer learning.
• Copre immagini, video, testo, audio, movimento, dati tabulari e oggetti spaziali.

Limiti:

• Solo per Mac, e i modelli sono destinati alle piattaforme Apple tramite Core ML.
• Nessun controllo sull'architettura del modello al di là di alcuni parametri.
• Non supporta l'addestramento su cloud, le funzionalità di collaborazione, i cicli di feedback o il monitoraggio degli esperimenti al di fuori di un singolo progetto.
• Non è progettato per modelli linguistici di grandi dimensioni o IA generativa.

Confronto con Create ML

• Teachable Machine: lo strumento gratuito di Google per browser che consente di creare rapidamente modelli di immagini, suoni e pose, esportabili per il web e TensorFlow.
• Obviously AI: previsioni senza codice sui dati aziendali nel cloud, rivolte agli analisti piuttosto che agli sviluppatori di app.
• DataRobot: AutoML aziendale e gestione dei modelli per i team di data science.
• H2O.ai: AutoML open source e aziendale per dati tabulari su larga scala.
• Dataiku: una piattaforma collaborativa per la preparazione dei dati, l’apprendimento automatico e l’implementazione a livello aziendale.

Vale la pena usare Create ML?

Create ML è utile per gli sviluppatori Apple che desiderano un modello personalizzato di immagini, testo, audio o dati tabulari all’interno della propria app senza dover apprendere un framework di addestramento. È gratuito, veloce da provare e produce modelli che funzionano rapidamente e in modo privato sul dispositivo. È meno utile per i team che necessitano di modelli multipiattaforma, addestramento nel cloud, controllo completo sulla rete o IA generativa; tali team utilizzano PyTorch o TensorFlow e convertono il risultato per Core ML. Se avete bisogno di aiuto per costruire un modello o aggiungere funzionalità di machine learning a un’app iOS, gli sviluppatori di LowCodeDevs possono occuparsene.

Fonti

• Create ML, Documentazione per sviluppatori Apple: tipi di modelli, classi del framework e piattaforme.
• Core ML, Documentazione per sviluppatori Apple: esecuzione dei modelli nelle app.
• Presentazione dell’app Create ML, WWDC19: il flusso di lavoro dell’app.
• Novità di Create ML, WWDC24: tracciamento degli oggetti per visionOS e API per le serie temporali.
• Addestramento di un modello con Create ML, Hacking with Swift: un esempio passo dopo passo di regressione tabulare.
• Guida a Create ML, Netguru: app vs framework, formati dei dati e aumento dei dati.